工厂AI需求分析的核心,是把“要不要上AI”变成“哪道工序、用什么数据、达到什么指标”的工程判断。对焦作电子元器件产业来说,答案尤其具体:接插件、PCB、传感器、磁环、电容电阻这类产品批量大、换型频、外观与电性能判据明确,AI需求分析应优先落在视觉检测、工艺参数寻优和设备预测性维护三类场景上,而不是一上来就铺大平台。焦作地处中原,电子元器件企业多围绕整机配套和材料加工形成集群,订单批量跨度大、人工目检占比高,这决定了需求分析的起点是工序痛点清单,不是算法选型。
一、工厂AI需求分析到底解决什么问题
它解决的是“AI投资和产线真实瓶颈对不上”的问题。很多工厂买回视觉算法或数据平台,最后卡在数据采不到、节拍跟不上、判据说不清。需求分析做的就是把工序拆开,逐道判断三件事:这道工序的判定标准能不能写成量化规则,数据能不能稳定采集,误判成本有多高。
对电子元器件厂,这件事比整机厂更细。比如编带工序的极性方向、引脚共面度、丝印字符缺笔画,判据本身清晰,适合先做。而注塑件缩水、焊点内部空洞这类需要破坏性检测或强经验判断的项,就要往后排。需求分析的产出不是一份技术方案,而是一张按优先级排序的场景清单,附带每道工序的数据条件和验收口径。
二、工厂AI需求分析的核心功能与技术要点有哪些
核心是四件事:工序拆解、数据可得性评估、判据量化、投入产出排序。
工序拆解要细到工步。以SMT段为例,要拆到锡膏印刷、SPI检测、贴片、回流焊、AOI、分板。每道工步记录节拍、检测方式、现有误判率来源。数据可得性评估看三样:有没有传感器或相机、数据能不能按件追溯、采样频率够不够。视觉检测通常要求单件图像分辨率能覆盖最小缺陷特征,比如0201元件的外观检测,像素精度要到微米级,普通工业相机加远心镜头才够用。
判据量化是需求分析里最容易糊弄的一步。IPC-A-610对焊点外观有分级判据,但落到具体产品要转成企业内部的限度样品和阈值。需求分析阶段就要明确:缺陷分几类、每类允收边界在哪、由谁做黄金样本标注。没有这一步,后面算法验收必然扯皮。
排序则用误判成本乘以发生频次做粗排。人工目检工位多、漏检客诉高的工序优先;设备停机损失大的工序,预测性维护优先。技术要点上,协议对接要提前确认,产线设备常见OPC-UA、Modbus TCP、Profinet,视觉系统多走GigE Vision或USB3 Vision,MES侧通常用RESTful接口或数据库中间表。这些在需求分析阶段就要写进约束条件,否则实施时才发现老设备没有数据出口。
三、电子元器件有哪些典型应用场景
假设一家焦作本地的接插件厂,冲压后要检端子变形和毛刺。这类缺陷判据明确、背景单一,适合用规则视觉加轻量AI分类,节拍可做到每分钟数百件,相机触发用光电传感器加编码器同步。假设一家生产磁环或电感的企业,绕线工序的排线整齐度、圈数、引线长度属于典型视觉加计数场景,难点在漆包线反光,需要环形无影光或同轴光配合。
再假设一家做PCB代工的中小厂,AOI已经上了但误报多,需求分析的重点就不是新上AI,而是把现有AOI的误报数据拉出来做二次分类,用轻量模型过滤假点,这类改造对算力要求不高,一台带入门级GPU的工控机即可,但要求AOI设备能导出缺陷小图和坐标。
设备预测性维护在电子元器件行业也有落点。比如注塑机、冲床、空压机,通过振动和电流信号做异常预警,采集端常用IEPE加速度传感器加数据采集卡,采样率按设备转频的十倍以上选取。这类场景不适合追求精确剩余寿命,先做到“异常提前报警”就有价值。
四、选型与实施需要注意什么
第一个高频追问是对接方式。结论是优先选能读现有数据的方案,而不是要求换设备的方案。老产线没有数据接口时,加装外置传感器或工业相机是常见做法,但要在需求分析阶段算清楚加装成本和维护责任。
第二个是硬件条件。视觉类场景要确认现场光照是否稳定、有无粉尘油污、相机安装空间够不够。车间温度高、电磁干扰强的位置,工控机和相机要选宽温型号,网线走屏蔽线。这些不是选型细节,是需求分析必须现场确认的项。
第三个是实施周期。单工序视觉检测从样本采集到上线,通常要经过数据采集、标注、训练、产线试运行几个阶段,周期取决于缺陷样本是否齐全。缺样本是最常见的延期原因,需求分析时要明确样本由谁提供、标注标准由谁定。
第四个是成本构成。主要分三块:采集硬件、算法与软件、现场集成与后期维护。容易被低估的是后期维护,模型需要随物料和工艺变化复训,这笔人力要提前安排。
第五个常见误区是把AI当万能判官。电子元器件里有些缺陷本身判据模糊,比如塑封体表面轻微流痕,人工都难统一,这类不要硬上AI,先做限度样品统一标准。
五、工厂AI需求分析适合哪些工厂、不适合哪些场景
适合的场景有明确共性:工序判据可量化、数据能稳定采集、误判或漏检成本可计算。电子元器件里的外观检、尺寸测量、字符识别、计数类工序,以及关键设备的异常预警,都符合这个条件。批量大、换型不太频繁的产线,投入回收更清晰。
不适合的情况也要说清楚。缺陷样本极少且难以收集的工序,比如偶发性内部裂纹,先做数据积累更实际。强反光、高变形、多品种小批量混线且判据不统一的场景,需要额外评估光学方案和标注成本,不宜直接套用标准视觉方案。还有一类是节拍极快、留给推理的时间只有几毫秒的超高速工序,要确认边缘算力能否跟上,否则误判率降不下来反而拖节拍。
从ERP时代起深耕数十年、服务120万客户、累计部署终端数千万台、覆盖国内外市场的工业软件厂商,在需求分析阶段能提供的价值,主要是把工序数据和企业现有管理系统打通的经验,而不是替工厂拍板。焦作的电子元器件企业在做AI需求分析时,不妨先从一条产线、两道工序做起,把判据和数据两件事写实,再谈扩展。